TopKLoRA：可解释稀疏微调方法用于后门电路发现

Masiak 等研究者提出 TopKLoRA，一种可解释性优先的 LoRA 变体：每个 token 仅激活 k 个最大的 adapter 潜变量，且只用下游损失训练。他们在 sleeper-agent 后门模型上演示了用该方法进行电路发现与消融。该方法扩展了 Masiak 等人 2025 年的初步提案，arXiv 论文给出了完整方法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。